因为不懂推测解码，被面试官鄙视了...

我是丁师兄，专注于智能驾驶方向大模型落地，公众号：丁师兄大模型。

大模型1v1学习，已帮助多名同学上岸国内外大厂

---

前两天有个学员抱怨后天就要面试了，心里难免紧张。尽管他做了很多准备，但他还是担心面试官会问到像“大模型中的推测解码”这种复杂的技术问题。为了不在关键时刻掉链子，我迅速的进行了模拟演练，帮他理了理思路...

01可以简单介绍一下文本生成的概念吗？

可以的，文本生成主要包括两个过程：前向传递和解码。

前向传递是把输入通过模型中的各个层进行处理，生成一组潜在的 token，每个 token 都有其概率，表示它跟随给定输入的可能性。

解码过程则是从这些潜在 token 中选择一个来生成输出，常用的方法是贪婪解码，即选择概率最高的 token。

例如，当我们输入一个句子时，模型通过前向传递处理生成一组可能的下一个 token，然后通过解码选出最有可能的那个单词。

如下图是一个文本生成过程的例子，输入被送到大语言模型中，在这里它经历前向过程。模型返回一组 token 及其相关的概率。

然后我们通过选择概率最高的 token 进行解码，并将其附加到输入中，这个更新后的输入再次经历整个过程。

选择 token 后，我们将其附加到现有输入中，再次进行前向传递和解码。这个迭代过程构成了现代语言模型中文本生成的基础。 

02大语言模型响应延迟的主要原因是什么？

大语言模型的响应时间延迟主要是因为前向传递过程非常耗时。

尤其是当模型在本地托管或者服务于有限数量的用户时，需要频繁加载层权重到本地设备，这个过程受到了内存带宽的限制，被称为“内存受限”。

另外，对于较大的批处理大小，瓶颈通常会转向计算受限过程。换句话说，模型的计算资源也可能成为瓶颈，影响响应时间。

03推测解码是怎么解决这个问题的呢？

推测解码通过缓存 Key 和 Value 状态来优化生成过程。在生成过程中，模型只需计算新 token 的注意力，而不必重新计算所有先前 token 的注意力。

这显著减少了计算时间，提高了响应速度。比如，模型在生成一段文本时，先计算并缓存中间状态，下次生成时直接利用这些缓存，不再重复计算，节省了大量时间。

04可以详细说说推测解码的工作原理吗？

推测解码的关键在于缓存前向传递中计算的 Key 和 Value 状态。

具体步骤是：

• 初始输入处理：输入经过前向传递生成一组 token 及其概率。

• 选择 token 并缓存：从这些 token 中选择概率最高的那个，将其附加到输入中，同时缓存 Key 和 Value 状态。

• 重复迭代：更新后的输入再次进行前向传递和解码，这次利用缓存的状态来加速计算。

• 评估 token：在每次迭代过程中，不仅预测下一个 token，还评估所选择的 token 是否是最优选择。

通过这些步骤，推测解码能在保证高质量文本生成的同时，大大加快生成速度。这种方法对于需要快速响应的应用，特别有效。

05缓存具体是怎么减少冗余计算的？

缓存通过存储当前生成的 token 列表，使前向传递只需计算下一个 token 的概率，而不必重新计算所有先前 token 的概率。

例如，如果已经生成了一段文本，缓存可以记录前面部分的计算结果，生成新 token 时只需计算新加部分的概率。这样就避免了重复计算，极大提高了效率。

06推测解码如何在小模型和大模型之间取得平衡

推测解码通过结合小模型的低延迟和大模型的高质量来实现平衡。

具体来说：

• 选择一个小模型和一个大模型，它们使用相同的分词器，以便比较它们的 logits。

• 使用小模型生成一定数量的候选新 token，比如 3 个。

• 将原始输入与这 3 个新 token 结合，输入到大模型中进行前向传递，得到新输入 token 的概率列表。

• 使用贪婪解码对最后的 4 个 token 进行解码，从左到右比较大模型解码的 token 与候选新 token。如果 token 匹配，我们接受它们并将其附加到原始输入。继续这个过程，直到第一次不匹配发生，此时将大模型的 token 附加到输入中，再次传递给小模型生成另外 3 个 token，重复整个过程。

通过这种方法，每次迭代中生成 1 到 4 个新 token，既利用了小模型的速度，又确保了大模型的质量。

END

---

我是丁师兄，专注于智能驾驶方向大模型落地，公众号：丁师兄大模型。

大模型1v1学习，已帮助多名同学上岸国内外大厂